面向社会网络基于语义偏好和信任引导的群体推荐方法研究

Because of the frequent interaction in the social network, users usually participate in group activities according to their interest, and then they need group recommendation. Existing group recommendation methods suffer from a range of problems, which make them unsuitable for social network environment. These problems are: (1) using rating data to represent member preference; (2) applying static methods to aggregate the individual preferences into a group preference; and (3) neglecting trust relationships between members. To solve the problems, this proposal will completely study the inner mechanism of the group recommendation in social network, by combining the methods of semantic mining, trust propagation, and multiple rounds of interaction. In particular, it relates threefold: (1) the method for modeling member semantic preference (item semantic mining and member preference representation methods, etc.); (2) the method for modeling trust relationships between members (direct trust measuring, indirect trust measuring, and trust propagation methods, etc.); (3) multiple rounds of interaction based group recommendation method (consistent users identification, group preference representation, and group recommendation generation methods etc.) This proposal refines the crucial research problem of social network group recommendation, and then establishes the group recommendation method based on semantic preference and trust inducing. It will enrich the theory of social network and personalized recommendation. Consequently, it has positive academic significance.

社会网络的强交互性，使得用户常常根据兴趣参加群体活动，这时需要进行群体推荐。现有的群体推荐方法采用评分信息表示成员偏好，使用静态集成方法生成群体偏好，且没有考虑成员间的信任关系，不适于社会网络环境。针对社会网络群体推荐面临的新需求，本课题以语义挖掘、信任传播和多轮信息交互集成等方法为手段，深入研究社会网络环境下群体推荐的内在机理，具体包括：(1)群体成员语义偏好建模方法(项目语义信息描述和成员语义偏好表示等)；(2)群体成员信任建模方法(直接信任度量、间接信任度量、信任传播及社会网络稳定性等)；(3)基于多轮信息交互的群体推荐方法(偏好一致性用户区分、信任引导群体偏好形成、混合推荐生成等)。本课题提炼出社会网络环境下群体推荐的核心问题，并建立基于语义偏好和信任引导的群体推荐方法，丰富了社会网络和个性化推荐研究领域的理论体系和方法，具有积极的学术意义。

本课题对社会网络环境下群体推荐的核心问题展开研究，建立了基于语义偏好和信任引导的群体推荐模型，具体工作为：(1)构建了基于符号数据的群体成员语义偏好模型。对项目基本描述、用户评论等信息进行文本挖掘，得到项目空间的公共特征词集合，确定项目的语义信息向量和群体成员的语义信息向量。计算用户语义向量与项目语义向量的贴近度，构建原始用户-项目语义矩阵。设定评价等级，将原始用户评价矩阵转换为符号数据评价矩阵；然后对符号数据矩阵进行打包处理，得到项目评价等级频率矩阵，进而计算项目权重；最后根据符号数据矩阵和项目权重建立群体成员语义偏好模型。(2)基于AP-Kmeans的群体成员信任模型研究。利用拓扑流行空间对用户数据进行处理，定义了结构信任；使用近邻传播聚类算法完成信任在用户间的传播，确定用户局部信任并产生初始类代表点；在初始类代表点的基础上，采用Kmeans算法对用户进行聚类，求取用户的全局信任。近邻传播(AP)算法中的偏向参数与输出的聚类数目之间不存在一一对应关系，算法开始之前无法确定聚类数目，要获得指定类数的聚类必须多次调用算法，计算耗费较大。采用Kmeans算法与近邻传播算法相结合，获得指定类数聚类，加快了聚类速度。同时AP获得的高质量的类代表点也避免了Kmeans初始类代表点的随机性，使全局信任求解更加可靠。(3)基于D-S证据理论数据融合的群体共识集成模型研究。群体推荐系统需要考虑每个成员的偏好，并通过偏好共享和交互机制缩小成员分歧，根据群体偏好产生推荐。群体偏好生成是群体推荐系统的核心环节。本课题采用主成分分析和D-S证据理论数据融合方法对群体偏好进行集结。首先采用主成分分析提取用户偏好向量主成分，消除相关性向量间的信息重叠，减小后续方法的计算量；然后采用D-S证据理论数据融合对主成分进行融合，预测群体对各项目的偏好值，达成群体共识，从而产生群体推荐。